Kronik obstrüktif akciğer hastalığı teşhisi için makine öğrenmesi temelli yeni bir yöntem geliştirilmesi

T.C.

SAKARYA ÜNİVERSİTESİ

FEN BİLİMLERİ ENSTİTÜSÜ

KRONİK OBSTRÜKTİF AKCİĞER HASTALIĞI TEŞHİSİ İÇİN MAKİNE ÖĞRENMESİ TEMELLİ YENİ

BİR YÖNTEM GELİŞTİRİLMESİ

YÜKSEK LİSANS TEZİ

Sedat ÖRENÇ

Enstitü Anabilim Dalı : ELEKTRİK-ELEKTRONİK MÜH.

Tez Danışmanı : Doç. Dr. Mehmet Recep BOZKURT

Mayıs 2019

SAKARYA ÜNİVERSİTESİ T.C.

FEN BİLİMLERİ ENSTİTÜSÜ

KRONİK OBSTRÜKTİF AKCİGER HASTALIGI TEŞHİSİ İÇİN MAKİNE ÖGRENMESİ TEMELLİ YENİ

BİR YÖNTEM GELİŞTİRİLMESİ

YÜKSEK LİSANS TEZİ

Enstitü Anabilim Dalı

Sedat ÖRENÇ

ELEKTRİK-ELEKTRONİK MÜHENDİSLİGİ

Bu tez tarihinde aşağıda ki jüri tarafından oy birliği / oyçokluğu ile kabul edilmiştir.

�j

Gökçen ÇETİNEL Üye

BEYAN

Tez içindeki tüm verilerin akademik kurallar çerçevesinde tarafımdan elde edildiğini, görsel ve yazılı tüm bilgi ve sonuçların akademik ve etik kurallara uygun şekilde sunulduğunu, kullanılan verilerde herhangi bir tahrifat yapılmadığını, başkalarının eserlerinden yararlanılması durumunda bilimsel normlara uygun olarak atıfta bulunulduğunu, tezde yer alan verilerin bu üniversite veya başka bir üniversitede herhangi bir tez çalışmasında kullanılmadığını beyan ederim.

Sedat ÖRENÇ 01.01.2018

i

TEŞEKKÜR

Yüksek lisans eğitimim boyunca değerli bilgi ve deneyimlerinden yararlandığım, her konuda bilgi ve desteğini almaktan çekinmediğim, araştırmanın planlanmasından yazılmasına kadar tüm aşamalarında yardımlarını esirgemeyen, teşvik eden, aynı titizlikte beni yönlendiren değerli danışman hocam Doç. Dr. Mehmet Recep Bozkurt’a teşekkürlerimi sunarım. Tez çalışmasında kullanılan verilerin toplanma konusunda yardımcı olan Dr. Cahit Bilgin’e, tez süresi boyunca bilgi ve tecrübeleri ile destek veren Arş. Gör. Dr. Muhammed Kürşad Uçar’a teşekkürlerimi sunmak isterim.

Ayrıca hayatımın her alanında ve özellikle tez çalışma süresince maddi ve manevi desteklerini esirgemeyen aileme teşekkürü bir borç bilirim.

Bu tez çalışmasının diğer çalışmalara ışık tutmasını ve yardımcı olmasını temenni ederim.

ii

İÇİNDEKİLER

TEŞEKKÜR ... i

İÇİNDEKİLER ... ii

SİMGELER VE KISALTMALAR LİSTESİ ... iv

ŞEKİLLER LİSTESİ ... vii

TABLOLAR LİSTESİ ... viii

ÖZET... ix

SUMMARY ... x

BÖLÜM 1. GİRİŞ ... 1

BÖLÜM 2. KRONİK OBSTRÜKTİF AKCİĞER HASTALIĞI ... 6

2.1. KOAH Nedenleri ... 6

2.2. KOAH Belirtileri ... 7

2.3. KOAH Teşhisi ... 8

2.4. Tedavi ... 8

2.4.1. İlaç tedavisi ve davranışsal değişiklikler... 9

2.4.2. Bronkodilatör cihaz tedavisi ... 10

2.4.3. Cerrahi müdahale ... 10

BÖLÜM 3. FOTOPLETİSMOGRAFİ SİNYALİNİN İNCELENMESİ ... 11

3.1. Fotopletismografi Sinyalinin Oluşumu ve Ölçülmesi ... 12

3.2. Sayısal Filtreleme ... 13

3.3.Özellik Çıkarma ... 14

iii

3.4. Fotopletismografi Sinyalinin Karakteristik Özellikleri ... 15

BÖLÜM 4. KULLANILAN VERİ KÜMESİ ... 17

4.1. Verilerin Toplanması ... 17

BÖLÜM 5. SINIFLANDIRMA ALGORİTMALARI ... 19

5.1. Sınıflandırma Algoritmaları ... 19

5.2.1. k- en yakın komşu algoritması ... 19

5.2.2. Olasılıksal yapay sinir ağları ... 20

5.2.3. Destek vektör makineleri ... 22

5.3. Performans Değerlendirme Kriterleri ... 22

5.3.1. Karışıklık matrisi, doğruluk, duyarlılık, özgüllük ve f-ölçümü ... 23

BÖLÜM 6. SONUÇLAR ... 25

BÖLÜM 7. TARTIŞMA ... 31

KAYNAKÇA ... 34

ÖZGEÇMİŞ ... 39

iv

SİMGELER VE KISALTMALAR LİSTESİ

A : Hjort parametresi - aktivite AC : Alternatif Akım

C : Hjort parametresi - karmaşıklık CL : Ortalama eğri uzunluğu

Cm : Santimetre

D : Uzaklık hesaplama formülü

DC : Doğru akım

DSÖ : Dünya sağlık örgütü FEV1 : Zorlu ekspirasyon hacmi FIR : Sonlu dürtü yanıtı FN : Yanlış negatif FP : Yanlış pozitif FVC : Zorlu vital kapasite G : Geometrik ortalama

GOLD : Kronik obstrüktif akciğer hastalığı için global girişim

H : Harmonik ortalama

Hz : Hertz

IIR : Sonsuz dürtü yanıtı

IR : Kızıl ötesi

K : kNN için en yakın komşu sayısı

Kg : Kilogram

kNN : k-en yakın komşuluk sınıflandırma algoritması KOAH : Kronik obstrüktif akciğer hastalığı

LOCMIN : Yerel minimum

M : Hjort parametresi - hareketlilik

m : Metre

v

m² : Metre kare

Maks : Maksimum

Min : Minimum

N : Negatif

N : Toplam birey sayısı n1 : Erkek birey sayısı n2 : Kadın birey sayısı

Ort : Ortalama

P : Pozitif

PNN : Olasılıksal yapay sinir ağları PPG : Fotopletismografi

PSG : Polisomnografi

R : Aralık

S : Standart Sapma

S12 : 1. türevin varyansı

S2 : Varyans

S22 : 2. türevin varyansı SF : Şekil faktörü

SFT : Solunum fonksiyon testi

Sn : Saniye

Std : Standart sapma

SVD : Tekil değer ayrışımı (Singular value decomposition) SVM : Destek vektör makine

Sx : Standart hata

T : Periyot sayısı

T25 : %25 kırpılmış ortalama T50 : %50 kırpılmış ortalama TC : Türkiye Cumhuriyeti TE : Ortalama teager enerjisi TN : Gerçek negatif

TP : Gerçek pozitif X : Basıklık (Kurtosis)

vi

x : Medyan

xkur : Ortalama

xmax : Maksimum

xmin : Minimum

xrms : Ortalama karekök değeri (Root mean squared value) xske : Çarpıklık (Skewness)

Λ : Dalga boyu

vii

ŞEKİLLER LİSTESİ

Şekil 1.1. Tez genel akış diyagramı ... 5

Şekil 3.1. Fotopletismografi sinyaline ait periodogram grafiği ... 11

Şekil 3.2. PPG çalışma mekanizması [30] ... 12

Şekil 3.3. Filtrelenmemiş PPG Sinyali ... 14

Şekil 3.4. Bant geçiren filtre uygulanmış PPG Sinyali ... 14

Şekil 3.5. Bant geçiren ve Kayan ortalama filtreleri uygulanmış PPG Sinyali ... 14

Şekil 3.6. PPG sinyalinden özellik çıkarım akış diyagramı ... 15

Şekil 5.1. PNN için genel ağ yapısı... 21

Şekil 5.2. Sınıfların (a) lineer ve (b) lineer olmayan doğrularla ayrılması [30] ... 22

viii

TABLOLAR LİSTESİ

Tablo 2.1. KOAH Şiddet Evreleme [24] ... 8

Tablo 3.1. PPG sinyali için istatistiksel zaman domeni özellikleri ... 15

Tablo 4.1. Bireylere ait demografik bilgiler... 18

Tablo 4.2. Bireylere ait demografik bilgilerin standart sapma ve ortalama cinsinden (ort ± std) gösterilmesi ... 18

Tablo 5.1. kNN için kullanılabilecek parametreler ... 20

Tablo 5.2. Eğitim ve test aşamalarında veri dağılımı ... 23

Tablo 5.3. Doğruluk, özgüllük ve duyarlılık için karşılaştırma matrisi ... 24

Tablo 6.1. kNN sonuçlar ... 27

Tablo 6.2. PNN sonuçlar ... 29

Tablo 6.3. SVMs sonuçlar ... 30

ix

ÖZET

Anahtar Kelimeler: Biyomedikal Sinyal İşleme, Kronik Obstrüktif Akciğer Hastalığı, Spirometre, Fotopletismografi, k – En Yakın Komşuluk Sınıflandırma Algoritması, Olasılıksal Yapay Sinir Ağları, Destek Vektör Makine

Kronik Obstrüktif Akciğer Hastalığı (KOAH) sigara, toz ve duman gibi etkenlerden dolayı akciğerlere giden hava miktarının azalması ile birlikte meydana gelen solunumsal hastalıktır. Bu hastalığın teşhisi spirometre ve polisomnografi (PSG) cihazı ile yapılabilmektedir fakat sistemin yeterince gelişmemesinden dolayı, bireylere bazı zorlular yaşatabilmektedir. Bu zorlukları ortadan kaldırmak için PSG cihazı kadar yararlı olabilecek alternatif sistemlere ihtiyaç duyulmaktadır. Bu çalışmada, bireye daha az sıkıntı oluşturan ve PSG cihazı kadar verimli bir şekilde çalışabilen bir sistem geliştirilmiştir. Bu durumdan dolayı fotopletismografi sinyali kullanılarak zaman ekseninde 26 adet özellik çıkartılmıştır. Makine öğrenmesi modelleri olan k – En Yakın Komşu Algoritması, Olasılıksal Yapar Sinir Ağları ve Destek Vektör Makine olmak üzere toplamda 3 adet sınıflandırma algoritması kullanılmıştır. Bu tez çalışmasında ayrıca 8 KOAH’lı hasta ve 6 kişilik sağlıklı bireye ait veriler kullanılmıştır. Sınıflandırma algoritma performanslarının değerlendirebilmek için doğrululuk oranı, özgüllük, duyarlılık ve F-ölçümü gibi parametreler kullanılmıştır. Her 3 makine öğrenmesi modelinde de elde edilen sonuçlar en az doğruluk oranı %80 olup bazı algoritmalara göre tüm verilerin doğruluk oranı %100 doğru sınıflandırılmış, duyarlılık 1, özgüllük 1 ve F-ölçümü 1 olarak tespit edilmiştir. Tez çalışmasında elde edilen sonuçlar değerlendirildiğinde makine öğrenmesi temelli KOAH teşhisi verimli bir şekilde yapılabileceği gösterilmiştir.

x

DEVELOPMENT A NEW METHOD FOR DIAGNOSING CHRONIC OBSTRUCTIVE PULMONARY DISEASE BASED ON

MACHINE LEARNING

SUMMARY

Keywords: Biomedical Signal Processing, Chronic Obstructive Pulmonary Disease, Spirometry, Photopletismography, k – Nearest Neighbor Classification Algorithm, Probabilistic Neural Network, Support Vector Machines

Chronic Obstructive Pulmonary Disease is a respiratory disease that it is caused by decreased in the amount of air to the lungs due to factors such as smoking, dust and smoke. Diagnosis of this disease can be made by spirometry and polysomnography (PSG) device but it may cause some difficulties to persons because owing to deficiency of system. It needs alternative systems that can be as beneficial as the PSG device to eliminate these challanges. In the study, a system that less distressing and works as efficiently as the PSG device has been developed. Because of this situation, 26 features were extracted from pletismography signal in the time domain.

It was used 3 classification algorithms which are k – Nearest Neighbor Classification, Probabilistic Neural Network and Support Vector Machines that are machine learning models. In this thesis, 8 patients with COPD and 6 healthy subjects were used. Accuracy ratio, sensitivity, specifity and f-measurement are used to evaluate the classification algoritms performance. The result is obtained in all 3 machine learning models were at least %80 and according to some algorithms all datas were classified as %100 and all parametres sensitivity, specificity and f- measurement were determined as 1. Evaluating the results obtained in the study, it has been proven that machine learning based COPD diagnosis can be performed efficiently.

BÖLÜM 1. GİRİŞ

Tarih boyunca insanlar çeşitli hastalıklara maruz kalmış ve bu hastalıklardan kurtulmak için çeşitli yöntemler, araçlar ve gereçler kullanmış ve geliştirmiştir. Bu hastalıkların başında solunumsal hastalıklar gelir ve solunumsal hastalıkların en önemlilerinden biri olan Kronik Obstrüktif Akciğer Hastalığı (KOAH)’dır. KOAH ilerleyici ve tam anlamıyla geri dönüşü olmayan, fakat önlenebilir ve tedavi edilebilir bir akciğer hastalığıdır [1]. Bu hastalık ilerleyici olup havayollarında ve akciğerin zararlı parçacıklara, gazlara karşı artmış kronik bir inflamatur yanıt ile ilişkili, kalıcı hava akımı kısıtlılığı karakterize, yaygın görülen, önlenebilir ve tedavi edilebilir ciddi, öldürücü bir solunumsal hastalıktır [2].

Akciğerlerin çalışma mekanizmasına bakıldığında, dışarıdan alınan temiz havanın akciğerlere ulaşmasına inspirasyon ve alınan havanın akciğerlere ulaşıp diğer organlardan geçtikten sonra kirli havanın akciğerlerden atılmasına ekspirasyon denir.

Alınan oksijen, burun ve ağız yoluyla nefes borusu olarak adlandırılan esnek bir borudan geçerek bronşlara ulaşır. Hem sağ akciğer hem de sol akciğer içerisinde iki büyük bronş bulunur. Ayrıca ağaç dalı gibi çok sayıda küçük bronşçuklar mevcuttur.

Oksijen, bu borular vasıtasıyla ile akciğerin en uç noktasında bulunan alveol olarak adlandırılan elastik keseciklere kadar iletilir. İletilen oksijen kan damarları yoluyla tüm vücuda dağıtılır. Vücutta kullanılan oksijen karbondioksite dönüşür ve tekrar akciğere taşınır. Soluk verme sırasında dışarıya atılır. Bu gaz alış-verişinde ciğerlere giren hava kirli olursa; akciğer, bronş ve alveollerin yapısı zaman içerisinde bozulur.

Bu bozulmadan dolayı KOAH meydana gelir [3].

KOAH dünya genelinde çok ciddi ve tehlikeli bir hastalık olup ölüme sebebiyet veren hastalıklardan birisidir. KOAH bütün dünya ülkelerinde gittikçe artan mortalite nedeni olarak gösterilen evrensel bir sağlık sorunudur. Dünya Sağlık Örgütü (WHO,

2

DSÖ)’ne göre, bu hastalık dünya çapında en sık görülen 4. ölüm nedenidir. Her yıl dünyada 2 milyon 900 bin insan bu hastalıktan ölmektedir. Türkiye’de ise KOAH, ölüme neden olan hastalıklar grubunda 3. sırada yer almaktadır. Türkiye’de her 5 bireyden biri KOAH’lıdır. Fakat KOAH’a maruz kalanların ancak 10’da biri hastalığının farkındadır. Hem dünyada hem de ülkemizde KOAH yeteri kadar bilinmemekle beraber yeterince teşhis edilememektedir. Teşhis edilen bireylerde ise;

etkileyici ve yararlı bir tedavi sürecine girilememektedir [3], [4].

Günümüzde tıbbi alanda teknolojik gelişmeler ile birlikte KOAH teşhisi gittikçe kolaylık kazanmaktadır. KOAH teşhisi yapabilmek için hastalar en başta belirtileri fark etmeli ve ardından hastalığın teşhisi için bazı testler yapmalıdır. En sık görülen solunum fonksiyon testlerinden biri, akciğer fonksiyonlarının inhale ve ekshalasyon hava miktarını ve hızını ölçmek için kullanılan spirometredir. Bu akciğer fonksiyonlardaki bozukluğu ve bozukluğun derecesini belirlemek amacıyla kullanılan bir yöntemdir. Solunum testi sırasında hasta, bir cihaza bağlı olan boru şeklindeki bir tüpe nefesinin yetebildiği kadarıyla üfler. Bu cihaz, hastanın havayı ne kadar soluduğu ve ne kadar hızla havayı üflediğini ölçer. Spirometre cihazı genellikle 2 parametreyi ölçer: Zorlu vital kapasite (FVC) ve bir saniyede zorlu ekspirasyon hacim (FEV1) [5]. Solunum testinden sonra eğer FEV1/FVC < %70 oranında ise hasta KOAH olarak kabul edilir [6]. Hastalar semptomların ilerlemesine dikkat etmeli ve hastalığı daha erken teşhis edip alevlenmeleri önlemek amacıyla solunumsal spirometri testleri uygulayıp düzenli olarak kontrollerden geçmelidir. Ne yazık ki bu tür testler, hastanelere gitmeyi zorunlu kılmakta ve neticesinde ekonomik zarar ve zaman kaybına sebebiyet vermektedir [5]. Bu tarz sorunların üstesinden gelebilmek için maliyeti uygun ve taşınabilir cihazların geliştirilmesi gerekmektedir.

KOAH teşhisini daha çabuk yapabilmek ve hastalık sürecini daha kolay izleyebilmek için bu çalışmada taşınabilir bir teşhis sistemi geliştirilmesi amaçlanmıştır. Bu amaca ulaşabilmek için çalışmada fotopletismografi (PPG) sinyali kullanılmıştır.

PPG, doku içine belirli dalga boyunda ışık yayarak bir fototransistör yardımıyla yansıyan veya iletilen ışığı tespit ederek kan hacmindeki değişimleri saptayan bir yöntemdir [7]. PPG verilerini elde edebilmek için parmağın bir tarafına dalga boyu λ

3

olan bir ışık kaynağı, diğer tarafına kaynağın tam karşısına iletilen ışığı yakalayacak fototransistör yerleştirilir. Bir PPG sinyali, kan damarının içinden geçmeyip deri, kas ve kemikten geçen büyük bir DC bileşeni ile doğrudan kan damarlarından geçen küçük bir AC bileşenden oluşur. Ancak bireyin kişisel bilgisini içeren bu AC bileşenin, tüm sinyallerde küçük bir etkisi mevcuttur. Bundan dolayı amaca yönelik kullanılan bir yükselteç devresi AC sinyalden istenilen bilginin çıkartılmasında önemli bir rol oynamaktadır. Bu amaçla, sinyaldeki DC kısmın azaltılıp AC kısmın kuvvetlendirilerek elde edilmesi sağlanmalıdır. PPG’nin tercih edilme sebepleri arasında kolay erişilebilir olması, kullanım kolaylığı ve güvenirliliğin yüksek olması mevcuttur. Ayrıca PPG, kan basıncı, solunum, kalp hızı ve kanın oksijen yoğunluğu gibi birçok parametrelerin belirlenmesinde de kullanılabilir [8].

Bu çalışmada PPG sinyali ile elde edilen veriler, hastanın uyku halinde parmağından alınan verilerdir. Bu nedenle yapılan çalışmalar ile elde edilmek istenen doğruluk yüzdesi artırma hedeflenmiştir. 14 bireyin yaklaşık olarak 8 saatlik PPG sinyal kayıtları kullanılmıştır. Uzman doktor tarafından teşhisi konulan 8 erkek ile KOAH grubunda, 2 kadın 4 erkek birey de Sağlıklı grubunda olmak üzere toplamda 14 adet bireyin kaydı alınmıştır. Ayrıca sinyaldeki gürültülerin giderilmesi amacıyla Kayan ortalama filtresi uygulanmıştır. Akabinde sinyal 15 saniyelik epoklara bölünmüş olup bölünen her epoktan zaman ekseninde 26 adet özellik çıkarımı yapılmıştır. Özellik çıkarımı yapıldıktan sonra makine öğrenmesi yöntemleri kullanılarak sınıflandırma yapılmıştır. Sınıflandırma yöntemlerinde sistemin performansını değerlendiren parametreler kayıt altına alınmıştır.

Bilgi ve medikal teknolojilerdeki son gelişmeler hastalara akıllı, kişiselleştirilmiş bakım sağlayarak yapay zeka ile tıbbi karar destek sistemlerine olan ilgiyi artırdı [9].

Yapay zeka, akıllı davranışları asgari insani müdahale ile modellemek için bir bilgisayar kullanılmasını gerektiren genel bir kavramdır [10]. Yapay zekanın kullanıldığı birçok alan vardır. Bunların başında robotik gelir. Ayrıca yapay zeka ses tanıma, görüntü işleme, sürücüsüz arabalar, yüksek seviyeli oyunlar ve hastalık teşhisinde kullanılır [11], [12]. Bu gelişmeler, KOAH teşhisinde oldukça yeni olan bazı sınıflandırıcı, karar verici yazılımlar ve yöntemlerin uygulanabilirliği üzerine

4

çeşitli çalışmalar yapılmakta olup projeler yürütülmektedir. Bu çalışmalar ile sınıflandırma problemlerinde kullanılabilecek birçok makine öğrenmesi yöntemi mevcuttur [6], [13]. Bu çalışmada 3 adet makine öğrenmesi yöntemi kullanılmıştır.

k-en yakın komşuluk sınıflandırma algoritması (k-Nearest Neighbors Classification Algorithm - kNN), olasılıksal yapay sinir ağları (Probabilistic Neural Network- PNN) ve destek vektör makineleri (Support Vector Machines - SVMs) olmak üzere 3 adet metot kullanılmıştır. Bu çalışmada kullanılan makine öğrenmesi yöntemlerinin faydaları arasında; zaman kazancı, teşhis süresinin kısalması ve verimliliğin artışı mevcuttur [6].

Bu çalışmanın genel amaçlarından biri, makine öğrenmesi yöntemleri kullanılarak KOAH teşhisini kolaylaştırmak ve KOAH’ı tespit etmeye yardımcı olmaktır. Bunun yanı sıra teşhis süresinin, verimlilik ve zaman gibi parametrelerin de iyileştirilmesi gayeler arasında yer almaktadır [6]. Bu çalışma Kronik Obstrüktif Akciğer Hastalığı için Global Girişim (GOLD) prensiplerine uygun olarak yapılmış olup PPG sinyali kullanılarak gerçekleştirilmiştir.

Tez çalışması genel hatlarıyla Şekil 1.1.’de gösterilmiştir. Bu akış diyagramına göre tez bölümleri hazırlanmıştır. Bu tez kitabı 7 bölümden oluşur. Bölüm 1’de problemin ne olduğundan bahsedilmiş ve literatür taraması yapılmıştır. Bölüm 2’de KOAH’ın tanımı, belirtileri, teşhis ve tedavisinden bahsedilmiştir. Bunun yanı sıra tedavi yöntemlerinden olan, ilaç tedavisi ve davranışsal değişiklikler, bronkodilatör cihaz tedavisi ve son olarak da cerrahi müdahale anlatılmıştır.

Bölüm 3’te PPG sinyalinin oluşumu, özellikleri, ön işlenmesi, ölçülmesi ve PPG sinyalin sayısal filtrelenmesi gibi konulardan bahsedilmiştir. Ayrıca PPG sinyalinden özellik çıkarımından bahsedilmiş olup PPG sinyalinden elde edilen karakteristik özellikler anlatılmıştır.

Bölüm 4’te, çalışmada kullanılan verilerin toplanması ve sinyal işleme adımları anlatılmış olup Şekil 1.1.’deki akış diyagramında ‘’Veri Kümesi’’ olarak adlandırılan kısmı anlatmak için verilmiştir.

5

KOAH’lı Grup

Sınıflandırma PPG Sinyali

Sayısal Filtreleme

Özellik Çıkarımı

Karar Epoklama

(15 saniye)

Sağlıklı Grup PPG Sinyali

Sayısal Filtreleme

Epoklama (15 saniye)

Şekil 1.1. Tez genel akış diyagramı

Bölüm 5’da PPG sinyalinden elde edilen verilerin sınıflandırılması ile alakalı yöntemler ve performans değerlendirme kriterleri anlatılmıştır. Sınıflandırma algoritmaları olarak kNN, PNN ve SVMs olmak üzere 3 adet makine öğrenmesi yöntemlerinden ve son olarak da performans değerlendirme kriterleri olan doğruluk, duyarlılık, özgüllük, F-ölçümü ve karışıklık matrisi gibi parametrelerden bahsedilmiştir.

Bölüm 6’da makine öğrenmesi metotları kullanılarak tez çalışmasına uygun sonuçlar elde edilmiştir ve bulunan bu sonuçlara göre, PPG sinyalinin KOAH teşhisinde kullanılabileceği gösterilmiştir. Bölüm 7’de son olarak tez çalışmasının sonuçları tartışılıp yorumlanmış olup bu adımdan sonra teze son verilerek çalışma tamamlanmıştır.

BÖLÜM 2. KRONİK OBSTRÜKTİF AKCİĞER HASTALIĞI

Hava kirliliği, sigara dumanı, araba egzozu, toz gibi etkenlerden dolayı solunumsal hastalıkların artış oranı gün geçtikçe yükselmektedir. KOAH, yüksek ölüm oranları ile bu hastalıkların en önemlilerinden biridir [14]. KOAH günümüzde en çok görülen ve yaygın olan solunum yolu hastalıklarından biridir [5]. Hastalık, genellikle sigara dumanı ve diğer zararlı gaz maddelerine bağlı olarak ilerleyen ve nefes borularında meydana gelen solunum yolu iltihaplanması sonucu oluşur. Bu nedenle soluk alış- verişi süresince, hava yollarında ve hava keseciklerinde problemler meydana gelir [15]. KOAH, prevalansı yüksek olan mesleki hastalıklarından biridir. KOAH’ın oluşmasında etkili olan sebepler arasında; havadaki zararlı gazlar, sigara dumanı, yetersiz egzersiz ve dengesiz beslenme mevcuttur [16]. KOAH’ın ülkemizde ve dünyada görülme sıklığı oldukça yüksektir.

Dünya genelinde 235 milyon üzeri insan KOAH’lıdır ve bunun 30 milyondan fazlası Avrupa’da görülmektedir [17]. Avrupa ülkelerinden biri olan Danimarka’da yaklaşık olarak 400 bin insan KOAH’a yakalanmıştır ve bunun 40 bini KOAH’tan ciddi anlamda etkilenmiştir [18]. Amerika’da 24 milyon insan bu hastalığa maruz kalmış olup KOAH’a yakalanan bireyler için harcanan para yıllık 38 milyar dolardır [15].

2.1. KOAH Nedenleri

KOAH oluşumuna neden olan başlıca faktörler şöyledir [19].

- Sigara kullanımı - Toz ve duman

- Zararlı gazlara maruziyet - İç ortam hava kirliliği - Genetik

7

- Cinsiyet

- Yetersiz egzersiz

Toz, duman ve zararlı gazlara maruziyet, maden işçiliği, metal işçiliği, ulaşım sektörü, odun, kağıt üretiminde bulunan fabrikalarda çalışma, çimento, tahıl ve tekstil işçiliği gibi mesleklerde KOAH riski daha fazla görülmektedir. İç ortam hava kirliliği, ısınma veya pişirme amacıyla çalı, çırpı veya tezek yakmak ve bunların dumanına maruz kalmak KOAH oluşumuna neden olmaktadır. Hava kirliliği, son zamanlarda sanayileşmenin arttığı büyük kentlerde KOAH oluşumunu tetikler [19].

Aktif bir şekilde sigara kullanmak, KOAH oluşumu ve gelişimi için bilinen önemli risk faktörlerinden biridir. Sigaranın oluşturduğu etmenler, içilen sigara miktarı ve sigara içiciliğinin sürdürülmesi ile doğru orantılıdır. Solunum fonksiyon testi verileri değerlendirildiğinde, obstrüksiyon şiddeti fazla olan durumlarda, sigara oranı yüksektir [20].

2.2. KOAH Belirtileri

KOAH’ın başlıca belirtileri arasında; nefes darlığı, kronik öksürük ve balgam üretimi görülür [21].

Nefes darlığı, KOAH belirtilerinden biridir ve hareket ederken meydana gelir.

Zaman geçtikçe, etkisi daha da artar. Nefes darlığı, başlangıçta koşarken, yürürken ya da merdivenlerden yukarı çıkarken ortaya çıkar fakat zaman içerisinde konuşma, giyinme hatta otururken bile hissedilecek hale gelir [19].

Kronik öksürük, KOAH’ın ilk belirtilerinden birisi olup, hastalar tarafından temel sebebinin sigara olduğu düşünülür ve pek ehemmiyet verilmez. Erken yaşlarda öksürük aralıklı periyotlar ile meydana gelse de ilerleyen zamanlarda gün boyunca sıklıkla oluşur [19]. Balgam başlangıçta sadece günün ilk ışıklarında meydana gelirken diğer dönemlerde günün tüm zamanlarında görülür. Sağlıklı bir bireyde balgam, krem-beyaz renklidir. Balgam miktarının artmasıyla ile birlikte renginin sarı veya yeşile dönüşmesi solunum yolu enfeksiyonu olduğunu gösterir [22].

8

2.3. KOAH Teşhisi

KOAH teşhisi, spirometre cihazı uygun bir şekilde kullanılarak solunum fonksiyon testinin yapılması ile gerçekleştirilir. KOAH teşhisine yardımcı diğer testler; kan oksijen derecesinin ölçümü, kan testleri, akciğer filmi ve egzersiz testleridir [3].

KOAH’ta evreleme, spirometrik olarak FEV1 ölçümüne göre yapılır. Şekil 1.2.’de gösterildiği gibi FEV1 değeri, beklenen değerden %80’den yüksek ise hafif KOAH,

%50 - %80 değerleri arasında orta KOAH, %30 - %50 değerleri arasında ağır KOAH ve %30’un altında ise çok ağır KOAH olarak değerlendirilir. Hafif derecede KOAH yaşam kalitesini fazla etkilemeyebilir. Orta, ağır ve çok ağır KOAH vakalarında yakın takip ve tedavi gereklidir [22]. Ayrıca, Solunum Fonksiyon Testinden (SFT) sonra FEV1 / FVC < 0,70 oranı oluşuyorsa birey KOAH’lıdır [23].

Tablo 2.1. KOAH Şiddet Evreleme [24]

Post Bronkodilatör

FEV1 FEV1/FVC

Evre 1 (Hafif) >%80

Evre 2 (Orta) >%50-80 <%70 Evre 3 (Ağır) >%30-50

Evre 4 (Çok ağır) <%30 veya solunum yetmezliği

2.4. Tedavi

KOAH gelişimine sebebiyet veren en önemli etkenlerden biri sigara olduğu için, tedavi sürecinde atılması gereken ilk adım, sigarayı bırakmak olacaktır. Çünkü sigaranın bırakılması ile birlikte kaliteli yaşam daha elverişli olacaktır. Ayrıca sigaranın bırakılması neticesinde KOAH ilerleme hızı düşecektir [3]. Sigarayı bırakmanın yanında dengeli beslenme, solunum sistemi enfeksiyonlarından kaçınma, düzenli egzersiz yapma gibi yaşam kalitesini arttıran faaliyetlerin tümü KOAH’ı önlemede yardımcı olduğu gibi KOAH’lı bireylerin yaşam fonksiyonlarını iyileştirmede faydası da olacaktır [25].

KOAH teşhisi konulan hastalara ve hasta yakınlarına, hastalık ile ilgili bilgi verilmeli, hastanın tedavi sürecine aktif olarak katılmasına teşvik edip olabildiğince

9

hareketli bir yaşam sürdürmesine yardımcı olunmalıdır. KOAH tedavisinde etkili olan yöntemlerden bir tanesi de stabil KOAH tedavisidir. Bu tedavinin amaçları arasında KOAH’ın ilerlemesini engelleme, egzersiz kapasite artırımı ve yaşam kalitesini geliştirme gibi durumlar söz konusudur [19].

2.4.1. İlaç tedavisi ve davranışsal değişiklikler

Doktorlar, KOAH tedavisinde, belirti ve semptomlar için birkaç tür ilaç kullanabilmektedirler. Bundan dolayı bazı ilaçlar düzenli, bazıları da ihtiyaç duyulduğunda kullanılmalıdır. Solunan steroidler, soluma yoluyla kullanılan kortikosteroid ilaçlar, hava yollarındaki iltihaplanmayı azaltabilmekte ve şiddetlenmeyi önleyebilmektedir. Bu gibi ilaçların yaralanma, ağız enfeksiyonları ve ses kısıklığı gibi yan etkileri olabilmektedir. Bu hastalık için kullanılan ilacın yan etkileri olmasına rağmen KOAH tedavisinde etkin olduğundan kullanılmaktadır.

İlaç tedavisinin birçok amacı vardır;

- Hastalığın ilerlemesini önleme - Ölüm oranını azaltma

- Yaşam kalitesinin artırılması - Egzersiz kapasitesinin artırılması - Semptomların giderilmesi

Bu amaçları gerçekleştirebilmek için hasta düzenli olarak egzersiz yapmalı ve dengeli beslenmelidir. KOAH’ın hızını azaltmak için hastalığın şiddeti, komorbiditeler ve bireysel yanıtlar gibi faktörler göz önüne alınmalıdır.

KOAH’lı hastalarda kullanılan ilaçlar ya hava yolları ya da hava keseciklerinde (alveoller) etki gösterirler. Genel olarak iki tip ilaç kullanılmaktadır: Nefes açıcı olanlar (bronkodilatörler) ve havayollarında hastalığa neden olan iltihaplanmayı baskı altına alan ilaçlar (iltihap gidericiler). Bronkodilatörler, hava yolları etrafındaki kas tabakasını gevşeterek hava yollarının genişlemesini sağlarlar. Böylece nefes darlığı, hırıltı ve öksürük azalır. KOAH hava yollarında ve hava keseciklerinde

10

tahribata neden olup akciğer dokusunu bozan bir yangı ortaya çıkmasına sebebiyet vermiştir. Bu yangı, zamanla havayollarının yapısını bozar ve daralmasına neden olur. Bu gruptaki ilaçlar inhaler veya oral kortikosteroidler ve antibiyotiklerdir. Bu ilaçlar her hastada ve her zaman kullanılmamaktadır. Doktora danışılmadan kullanılmamalıdır [3].

2.4.2. Bronkodilatör cihaz tedavisi

Bronkodilatörler, bronşların düz kaslarını gevşetmek suretiyle hava yollarının direncini düşüren ilaçlardır. Kronik bronşit ve amfizem gibi akciğer hastalıklar, hava yollarının artmış olan direncini etkiler bu yüzden bronş ve alveollerin yapısında tıkanma meydana gelir.

KOAH için kullanılan bronkodilatör tedavisinin genel özellikleri şöyle gösterilebilir:

Semptomatik tedavinin temelini bronkodilatörler oluşturur.

- Günümüzde kullanılan bronkodilatörler; antikolinerjikler, β2 agonistler ve teofilindir.

- İnhalasyon yolu tercih edilmelidir.

- Bronkodilatör seçiminde ve kombinasyonlarda bireysel yanıtlar, yan etkiler ve ilaçların bulunabilirliği önemlidir [26].

2.4.3. Cerrahi müdahale

Cerrahi müdahale, eğer kullanılan ilaçlar tek başına yeterli olmamış ve hastalık ciddi anlamda ilerlemiş ise, ameliyat başvurulması gereken önemli ve ciddi bir tedavi opsiyonu olmalıdır. Ameliyat tedavisi iki şekilde yapılır. Birincisi, zarar görmüş akciğer dokusunu ortadan kaldırarak akciğer hacim küçültme ameliyatı yapılır.

İkincisi ise, organ nakli yapılarak bireyin eski sağlığına kavuşması sağlanır [3].

BÖLÜM 3. FOTOPLETİSMOGRAFİ SİNYALİNİN İNCELENMESİ

PPG sinyali, vücudun deriye yakın herhangi bir bölgesinde akan kanın hacimsel değişimine bağlı olarak kan basıncı ile alakalı bilgi veren non-invaziv ve elektro- optik bir metottur. Bununla birlikte PPG sinyali, kalp atış hızını ölçmeye yarayan en önemli ve yaygın sinyallerden biridir. PPG, insan psikolojisi ve patolojik durumlar üzerinde kayda değer veriler sağlamada yardımcı olabilmektedir. Ayrıca PPG sinyali, analiz etme ve hastalıkları teşhis etmede kullanılır. PPG sinyali hem elde edilme kolaylığı hem de hastaya uygulanma kolaylığı sebebiyle ihtiyaç halinde medikal cihazlarda kolaylıkla ve ekonomik olarak görüntülenir [27], [28]. Genel olarak, insan vücudu periyodik aralıklarla gerçekleşen kalp atışları, dokulardaki kan akış hacmini değiştirir. Bu kan akışı, kırmızı ışığı yansıtan bir özelliğe sahiptir. PPG sensör tasarımın bir parçası olan LED, canlı dokuya ışık yaydığında kan akışından yansıyan veya iletilen ışığın yoğunluğu, kan hacmi değişimi hakkında bilgi verir. Ayrıca PPG sensör sistemi, kızılötesi sensörü aracılığıyla yansıtılan veya iletilen ışık yoğunluğunun değişimini belirleyerek atış hızını ölçer.

Şekil 3.1. Fotopletismografi sinyaline ait periodogram grafiği

12

Hasta ve Sağlıklı gruplar için PPG sinyalinin Hızlı Fourier Dönüşümü ile periodogram grafiği Şekil 3.1.’de verilmiştir. Grafik incelendiğinde PPG sinyalin 0- 10 Hz frekans bileşenleri için farklılıklar olduğu görülmektedir.

3.1. Fotopletismografi Sinyalinin Oluşumu ve Ölçülmesi

PPG, optik temelli, genellikle parmaktan ve kulak memesinden alınan bir sinyal olmak ile beraber, cilt yüzeyinin her noktasından ölçüm yapılabilen non-invaziv bir yöntemdir [29].

PPG, kalp aktivitesi sırasında kan akışındaki değişiklikler sebebiyle yansıyan ışıktan türetilen elektrik sinyalleridir. Bu sinyalleri tespit edebilmek için düşük yoğunluklu kızıl ötesi (IR) ışık kullanılır. Işık, biyolojik dokulara ulaştığında, kemik, cilt pigmentleri ve kan tarafından emilir. Işık çevredeki dokulara kıyasla kan tarafından daha fazla emildiklerinden, kan akışındaki değişiklikler, ışık yoğunluğundaki değişiklikler olarak PPG sensörleri tarafından tespit edilir [28].

PPG sinyali, damarlardan akan kan miktarıyla doğru orantılıdır. Aslında kan miktarını ölçmek için kullanılmayan bu yöntem, kan hacminde meydana gelen değişiklikleri belirlemede kullanılır [29].

Şekil 3.2. PPG çalışma mekanizması [30]

PPG, bir çubuk veya bir grafik yardımı ile dalga formu olarak gösterir. Dalga formu, Alternatif Akım (AC) bileşeni ve bir doğru akım (DC) bileşenine sahiptir. AC bileşeni, kalp atışıyla senkronize edilen kan hacmindeki değişiklikleri temsil eder.

DC bileşen, dokular tarafından yansıtılan ve iletilen optik sinyallerden oluşur [29].

13

PPG ölçüm sisteminin tasarımı iki kısımdan oluşur. Işık göndermeye yarayan LED ve dokuların ışığı soğurmasından sonra kalan ışığı toplamak için tasarlanan fototransistörden oluşur. LED, ışığın parmağa doğru yayılmasını sağlar. Cilt pigmentleri, kan ve kemik ışığı soğurur. Damardaki kanın hacim ve yoğunluğu kalp atımlarına göre değiştiği, fototransistör üzerinde oluşan işaretin değişken bileşeni doğrudan damardaki kanın hacimsel değişimi ile orantılıdır. PPG ölçümü için tasarlanan sistem, Şekil 3.2.’de gösterilmiştir. Bu çalışmada PPG sinyalleri SOMNO Screen Plus marka cihazla kaydedilmiştir. Sinyalin örnekleme frekansı 256 Hz’dir.

3.2. Sayısal Filtreleme

Bu tez çalışmasında filtreleme işlemleri için MATLAB programının ‘fdatool’ aracı kullanılmıştır. PPG sinyali üzerinde oluşan gürültüyü temizlemek amacıyla tasarlanmış olup başarı ile uygulanmıştır. PPG sinyaline 0,1-20 Hz arası Chebyshev 2. Tipte bant geçiren filtre uygulanmış ve akabinde Kayan ortalama filtresinden istifade edilmiştir.

Filtreleme işleminde 0,1 Hz ile başlama sebebi, sinyal üzerinde bulunan DC bileşenleri temizlemektir. Matlab ‘fdatool’ aracı ile 7 adet IIR (sonsuz dürtü yanıtı) ve 11 adet FIR (sonlu dürtü yanıtı) olmak üzere toplamda 18 adet filtreleme yöntemi kullanılmaktadır. Bu yöntemler içerisinden Chebyshev 2. Tipte bant geçiren filtre tercih edilmiştir. Bu yöntemin tercih edilme sebepleri arasında geçiş bandının düz olması ile istenmeyen frekansları daha iyi bastırabilme özelliğine sahip olmasıdır.

Kayan ortalama filtresi, sinyal içerisinde bulunan küçük değişimlerin temizlenmesi ve bu sayede işaretin yumuşatılması için kullanılan filtredir. Tepe noktaları bulunurken, işaret üzerindeki küçük genlik / yüksek frekanslı bileşenler, yerel maksimum ve minimumlar oluşturur. Bu durum tepe bulma algoritmalarının başarımını düşürür. Bunu önlemek için Kayan ortalama filtresi kullanılmıştır [31].

14

Şekil 3.3. Filtrelenmemiş PPG Sinyali

Şekil 3.4. Bant geçiren filtre uygulanmış PPG Sinyali

Şekil 3.5. Bant geçiren ve Kayan ortalama filtreleri uygulanmış PPG Sinyali

3.3.Özellik Çıkarma

Özellik çıkarımı bir boyut azalımı olarak düşünülebilir. Yani kompleks olan bir verinin boyutları azaltılarak daha basit bir problem haline getirme durumudur. PPG sinyalinden elde edilecek olan özellikler KOAH teşhisi için kullanılacaktır. PPG sinyal kayıtları, 8 KOAH’lı ve 6’sı Sağlıklı grubu olmak üzere toplamda 14 bireyden elde edilmiştir. Kayıt süresi 15 saniye olarak belirlenmiştir. PPG sinyalinden zaman domeninde toplamda 26 adet özellik çıkarımı yapılmıştır.

PPG sinyalinden özellik çıkarım akış diyagramı Şekil 3.6.’da ayrıntılı bir şekilde gösterilmiştir. Bu akış diyagramına bakıldığında, ilk yapılması gereken şey PPG sinyalinin yerel maksimum ve yerel minimum noktalarını bulmak olacaktır. Bu noktalara göre sinyal periyotlara ayrılır. Sinyalin yerel minimum noktaları

15

periyotların başlangıç ve bitiş noktaları olarak kabul edilecektir. Sinyalin periyot sayısı T, yerel minimum noktası LOCMIN olarak adlandırılır.

Şekil 3.6. PPG sinyalinden özellik çıkarım akış diyagramı

3.4. Fotopletismografi Sinyalinin Karakteristik Özellikleri

Literatür taraması yapıldığında PPG sinyalinden çıkartılan pek çok farklı özellik mevcuttur. Bunlara karakteristik özellik denir. Tez çalışmasında PPG sinyalinden zaman domeninde toplamda 26 adet özellik çıkartılmıştır. Bu özellikler Tablo 3.1.’de gösterilmiştir. Bu tabloda formül, özellik adı ve özellik numarası olmak üzere toplamda 3 adet parametre sütunda gösterilmiştir. gösterilmiştir. Formülde yer alan x, biyomedikal sinyali göstermektedir.

Tablo 3.1. PPG sinyali için istatistiksel zaman domeni özellikleri

Sıra Özellik Adı Formül

1 Ortalama ¹

1

1 1

( )

n

n i

x x x

n _ n





2 Standart Sapma ²

1

1 ( )

1

n i i

S x x

n _

 





3 Varyans

n 2

1 (x -x )i n-1 i=1

V  

4 Hjort Parametresi-Aktivite AS²

Sıra Özellik Adı Formül

5 * Maksimum xmaxmax x⁽ i⁾

6 * Minimum x_minmin x( _i)

16

Tablo 3.1. (Devamı)

7 Medyan

1

~ 2

2 21

: tek

1( ) : çift 2

n

n n

x x

x

x x x







 

 



8 Geometrik Ortalama

n 1

G x xn

9 Harmonik Ortalama

1

1 1

/

( )

n

H n

x x

  

10 Ortalama Karekök Değeri ²

1

1 | |

n

rms i

i

X x

n _





11 Çarpıklık 1 ³

3

( )

( 1)

n i i ske

x x

x

n S





 



12 Basıklık(Kurtosis) 1 ⁴

4

( ( ) )

( 1)

n

i kur

x i x x

n S





 



13 * Tekil Değer Ayrışımı SVD svd x ( )

14 * %25 Kırpılmış Ortalama T25trimmean x( , 25) 15 * %50 Kırpılmış Ortalama T50trimmean x( ,50)

16 Şekil Faktörü

1

/

(

)

rms i

i

SF X x

n 





17 Ortalama Enerji

2 1

1 ⁿ

i i

E x

n _





18 Hjort Parametresi-Hareketlilik ^{2 2}

1 / MS S

19 Hjort Parametresi –Karmaşıklık 2 2 2 2 2 2

2 1 1

( / ) ( / )

C S S  S S 21 * Ortalama ya da Medyan Mutlak

Sapma

( ) MAD mad x 22 * Moment, Merkezi Moment CMmoment x( ,10)

23 Ortalama Eğri Uzunluğu ¹ ₂^{| 1|}

n

i i

i

CL x x

n _ ^

  

24 Ortalama Teager Enerji ^{21 2}

3

1 ( )

n

i i i

i

TE x x x

n _ ^{ }





25 Değişim Katsayısı DK( / )100S x

26 Standart Hata

x /

S  S n

* işaretli özellikler hazır MATLAB kodları ile oluşturulmuştur.

BÖLÜM 4. KULLANILAN VERİ KÜMESİ

Bu kısımda tezde kullanılan veri seti, hastalara ait olan demografik bilgiler anlatılacaktır.

4.1. Verilerin Toplanması

Çalışmada kullanılan veriler, Sakarya Hendek Devlet hastanesi Göğüs Hastalıkları Uyku Laboratuvarında oluşturulmuştur. Bu veriler SOMNOscreen Plus PSG cihazından elde edilmiştir. Ayrıca bu veriler için Sakarya Üniversitesi Tıp Fakültesi Dekanlığından 1614662/0.50.01.04/70 sayılı etik kurulu raporu ve T.C. Sağlık Bakanlığı ve Türkiye Kamu Hastaneleri Kurumu Sakarya İli Kamu Hastaneleri Birliği Genel Sekreterliğinden 94556916/904/151.5825 sayılı veri kullanım izni alınmıştır.

Elde edilen veriler, bütün gece süresince SOMNOscreen Plus PSG cihazı ile kayıt altına alınmıştır. Çalışma, PPG sinyali kullanılarak yapılmıştır. Veriler elde edilirken, hastanın rahat bir şekilde uyuyabileceği bir ortam sağlanmıştır. Hastalardan veri elde edinimi sırasında; hastalar yaklaşık olarak 8 saat boyunca uyumuşlardır. Uygun ortamda elde edilen verilerin 8’i KOAH’lı ve diğer 6’sı Sağlıklı bireyler olmak üzere toplamda 14 bireyden veri alınmıştır.

Bireylere ait demografik bilgiler Tablo 4.1.’de gösterildiği gibi Tablo 4.2.’de ort ± std (ort Ortalama, std Standart Sapma) şeklinde verilmiştir. Tabloya göre

‘Fotopletismografi Kayıt Dağılımları’ kısmında hasta ve sağlıklı gruplarına ait bilgiler yer almaktadır. Çalışmada 8 erkek hastaya karşılık olarak 6 Sağlıklı grubunda 2 kadın ve 4 erkek birey kaydı alınmıştır. Her bireyin kaydı 15 saniyelik parçalara (epoklara) ayrılmıştır. Her epokta hasta ya da sağlıklı etiketi vardır. Bu

18

işlem neticesinde KOAH grubuna ait 14960, Sağlıklı gruba ait 12484 epok oluşturulmuştur.

Tablo 4.1. Bireylere ait demografik bilgiler Cinsiyet Yaş (Yıl) Ağırlık

(kg)

Boy (cm)

Vücut Kitle İndeksi (kg/m²)

KOAH Grubu

Sağlıklı Grubu

1 Erkek 60 105 172 35,5 1910 0

2 Erkek 53 110 170 38,1 2962 0

3 Erkek 65 106 175 34,6 300 0

4 Erkek 35 117 189 32,8 2164 0

5 Erkek 57 100 170 34,6 2090 0

6 Erkek 48 107 170 37 1924 0

7 Erkek 70 99 173 33,1 1746 0

8 Erkek 44 97 180 29,9 0 2302

9 Erkek 52 85 162 30,4 0 2062

10 Erkek 51 100 172 33,8 0 2062

11 Erkek 47 102 172 34,5 0 1502

12 Erkek 56 95 176 30,7 1864 0

13 Kadın 52 110 165 40,4 0 2586

14 Kadın 59 101 175 33 0 1970

Tablo 4.2.’de bireylere ait demografik bilgilerin standart sapma ve ortalama cinsinden (ort ± std) gösterimi yer almaktadır. Bu tabloya göre 2 kadın ve 12 erkek olmak üzere toplamda 14 adet birey mevcuttur.

Tablo 4.1.’de verilenlere göre; 40 yaş altı sadece bir birey mevcuttur. Ağırlık değerlerine bakıldığında en fazla 117 kg ve en az 85 kg vardır. Boy parametresi değerlendirildiğinde ise, minimum 162 cm ve maksimum 189 cm olarak kayıt altına alınmıştır.

Bu tabloda yer alan vücut kitle indeksi KOAH teşhisinde ekili olan parametrelerden biridir. Tabloda verilen değerler göz önüne alındığında en düşük değer 29,9 ve yüksek değer ise 40,4 olarak yer kaydedilmiştir.

Tablo 4.2. Bireylere ait demografik bilgilerin standart sapma ve ortalama cinsinden (ort ± std) gösterilmesi

Erkek Kadın Tüm Bireyler

n1=12 n2 =2 n=n1+n2=14

Bilgiler std ± ort std ± ort std ± ort Yaş (Yıl) 9,42 ± 53,16 4,94 ± 55,5 8,82 ± 53,5 Ağırlık (kg) 8,08 ± 101,91 6,36 ± 105,5 7,75 ± 102,42 Boy(cm) 6,51 ± 173,41 7,07 ± 170 6,42 ± 172,92 Vücut Kitle İndeksi (kg/m²) 2,54 ± 33,75 5,23 ± 36,7 2,95 ± 34,17 std: standart sapma, ort: ortalama

BÖLÜM 5. SINIFLANDIRMA ALGORİTMALARI

Tez çalışması kapsamında, verileri işleyebilmek için çeşitli yöntemler kullanılmıştır.

Sınıflandırma için kNN, PNN ve SVMs olmak üzere toplamda 3 farklı sınıflandırıcı kullanılmıştır.

5.1. Sınıflandırma Algoritmaları

Sınıflandırma, farklı grupları veya verileri belirli özelliklere göre birbirinden ayırmak için kullanılır [32]. Mevcut halde sınıflandırma, regresyon, optimizasyon ve kümeleme gibi makine öğrenmesi metotlarında kullanılır. Bu tez çalışmasında sınıflandırma modellerinden detaylı bir şekilde bahsedilecektir.

Temelde bu çalışmanın amacı sisteme aktarılan verilere göre dışardan herhangi bir bireyin KOAH’lı olup olmadığını belirleyebilmektir.

5.2.1. k- en yakın komşu algoritması

Bu tez çalışmasının hedefleri arasında; KNN yöntemini kullanarak erken teşhis ve doğruluk yüzdesini artırma gibi etkenler mevcuttur. k en yakın komşuluk algoritması birçok sınıflandırma durumlarında sade fakat elverişli bir sonuç sunmaktadır [33]. Bu çalışmada, KOAH’lı ve Sağlıklı gruplarına ait PPG sinyallerinden zaman ekseninde 26 adet özellik çıkartılmıştır. Çıkartılan özellikler kNN ile sınıflandırılmış olup doğruluk oranı, duyarlılık, özgüllük ve F-ölçümü gibi performans değerlendirme kriterleri ile test edilmiştir.

kNN birçok sınıflandırma sorunlarını çözen denetimli öğrenme metotlarından birisidir. Sınıflandırma yapılacak eğitim verileri ile test edilecek olan verilerin

20

sonuçları karşılaştırma yapılarak, en yakın olduğu görülen k verinin ortalamasıyla, saptanan eşik değere göre sınıflara atamaları yapılır. k en yakın komşu sayısı, eşik değer ve benzerlik ölçümü gibi parametreler yöntemin performansını önemli derecede etkiler [34].

Tablo 5.2.’de kNN yöntemi için kullanılabilecek parametreler gösterilmiştir.

Tablo 5.1. kNN için kullanılabilecek parametreler Uzaklık Hesaplama Metodu k

Chebychev 1

Cityblock 2

Correlation 3

Cosine 4

Euclidean 5

Hamming 6

Jaccard 7

Mahalanobis 8

Minkowski 9

Seuclidean 10

5.2.2. Olasılıksal yapay sinir ağları

En temel biyolojik sinir ağlarından hareketle verileri işlemek için belli sayıda yapay sinir hücresinin bir araya getirilmesiyle oluşturulan mimariye yapay sinir ağı denir.

Başka bir tanımlamaya göre, yapay sinir ağları insan beyninden ilham alınarak geliştirilmiş, her biri kendi belleğine sahip işlem elemanlarından oluşan paralel ve dağıtılmış bilgi işleme yapıları; başka bir deyişle, biyolojik sinir ağlarını taklit eden bilgisayar programlarıdır.

PNN, ilk defa 1988 yılında Donald F. Specht tarafından geliştirildi. 1990’lı yıllarda yapay sinir ağları teknolojisi gün geçtikçe gelişmiş ve çok büyük derecede ilerleme kaydetmiştir [35].

Olasılıksal yapay sinir ağları, radyal temeline dayanan bir çeşit sinir ağıdır. Ayrıca bu yöntemin hızlı çalışması, yüksek kararlılık ve iyi teşhis etme gibi özeliklere sahiptir. Bu makine öğrenmesi modeli danışmanlı öğrenme grubuna girer [36]. PNN, bayesian veya kernel analizine dayanan çok katmanlı ileri beslemeli ağlara göre

21

tasarlanmış olup sınıflandırma problemleri için genel çözüm üreten bir sınıflandırma algoritmasıdır. Yapay sinir ağları yüksek hız yakınsama, kısa sürede eğitim ve sınıflandırma doğruluk oranı gibi avantajlı özelliklere sahiptir [37].

Yapay sinir ağlarını birbirine bağlayan bağlantıların değerlerine ağırlık değerleri denir. İşlem elemanları birbirine paralel olarak 3 katman halinde bir araya gelerek bir ağ oluştururlar. Bu elemanlar şunlardır;

- Giriş katmanı

- Gizli(Ara) katmanlar - Çıkış katmanı

Bilgiler ağa giriş katmanından iletilir. Ara katmanlarda işlenerek oradan çıkış katmanına gönderilir. Ağın girişler için doğru çıkışları üretebilmesi için ağırlıkların doğru değerlerinin olması gerekmektedir. Doğru ağırlıkların bulunması işlemine ağın eğitilmesi denilir. Bu değerler başlangıçta rastgele atanırlar. Daha sonra eğitim sırasında her örnek ağa gösterildiğinde, ağın öğrenme kuralına göre ağırlıklar değiştirilir. Daha sonra başka bir örnek ağa sunularak ağırlıklar yine değiştirilir ve en doğru değerler bulunmaya çalışılır. Bu işlemler, ağ eğitim setindeki örneklerin tamamı için doğru çıkışlar üretinceye kadar tekrarlanır. Bu sağlandıktan sonra test setindeki örnekler ağa gösterilir. Eğer ağ test setindeki örneklere doğru cevaplar verirse ağ eğitilmiş kabul edilir [35].

Giriş Katmanı

Gizli katman

Çıkış Katmanı

I1

I2

I3

O1

O2

O3

Şekil 5.1. PNN için genel ağ yapısı

22

5.2.3. Destek vektör makineleri

SVMs gözetimli öğrenme algoritmaları arasında en iyilerinden biridir [14], [38].

1995 yılında Cortes ve Vapnik tarafından önerilmiştir ve bu metot binary sınıflandırma algoritmasıdır [39]. SVMs sınıflandırma problemlerinin yanı sıra regresyon analizlerinde de etkin bir şekilde kullanılır.

SVMs, iki sınıfı yani lineer ve non-lineer hatlarla özellikleri birbirinden ayırmaya çalışır. Şekilde gösterildiği gibi (a) lineer ve (b) lineer olmayan olarak gruplara ayrılmıştır.

Şekil 5.2. Sınıfların (a) lineer ve (b) lineer olmayan doğrularla ayrılması [30]

SVMs sınıflandırma işlemleri için bir eğitim algoritmasıdır. Algoritmanın amacı, hiperdüzlem üzerinde veri kümelerini en uygun şekilde birbirinden ayırabilmek ve yeni verileri minimum hata oranıyla sınıflandırabilmektir [40]. Hiperdüzleme en yakın öğrenme verileri destek vektörleri olarak adlandırılır. Destek vektörleri arasındaki uzaklığın maksimum olduğu yer tespit edilir ve araya bir eğri uydurulur.

Bu eğri, veri kümesini ikiye ayıran genelleştirilmiş çözüm olarak kabul edilir [41].

5.3. Performans Değerlendirme Kriterleri

Tezde kullanılan sistemlerin doğruluk oranlarının test edilmesi için farklı performans değerlendirme ölçütleri kullanılmıştır. Bunlar;

23

- Doğruluk oranı (accuracy rates) - Duyarlılık (sensitivity)

- Özgüllük (specificity) - F-ölçümü (F-measurement)

Yukarıda listelenen performans değerlendirme kriterleri aşağıda detaylı bir şekilde izah edilmiştir.

Tablo 5.2. Eğitim ve test aşamalarında veri dağılımı

Sınıf (%) KOAH Grubu

(%)

Sağlıklı Grubu (%)

Eğitim (50) 7480 (50) 6242 (50)

Test (50) 7480 (50) 6242 (50)

Toplam (100) 14960 (100) 12484 (100)

Tablo 5.2.’de verilen değerler sistemin eğitim ve test aşamalarındaki veri dağılımıdır.

Tabloya göre, KOAH grubu için eğitim 7480 epok ve test için 7480 epok elde edilmiştir. Toplamda 14960 epok kaydedilmiştir. Sağlıklı grubu için ise; 6242 epok eğitim kısmında 6242 epok test kısmında kullanılmıştır. Toplamda her iki bölümden 12484 epok kayıt altına alınmıştır.

5.3.1. Karışıklık matrisi, doğruluk, duyarlılık, özgüllük ve f-ölçümü

Bu tez çalışmasında sistemin performansını değerlendirmek amacı ile test setinde sınıfların doğruluk oranları, her yöntem için duyarlılık, özgüllük değerleri hesaplanmış olup bunlara ek olarak F-ölçümü parametresi de hesaplanmıştır.

Duyarlılık, hastalar içinde testin, hastaları ayırma yeteneğidir. 0 ile 1 arasında değer alır. Teşhis amaçlı bir testin duyarlılık değerinin 1 olması istenir. Herhangi bir testin duyarlılık değerinin 1 olması demek, testin bütün hastaları doğru olarak teşhis edebildiğini gösterir. Özgüllük ise, testin sağlıklı bireyleri ayırt edebilme özelliğidir.

Duyarlılık gibi, 0 ile 1 arasında değişir. Bir testin özgüllük değerinin 1 olması, o testin tüm sağlıklı bireyleri doğru olarak saptandığını gösterir.

24

Duyarlılık ve özgüllük parametreleri Denklem 5.2 ve 5.3’teki gibi hesaplanmıştır.

Çalışmada doğruluk oranları ise Denklem 5.1’teki gibi gösterilmiştir. Denklem 5.1, 5.2 ve 5.3’de yer alan TP, TN, FP ve FN sırasıyla Gerçek Pozitif (True Positive, TP), Gerçek Negatif (True Negative, TN), Yanlış Pozitif (False Positive, FP) ve Yanlış Negatif (False Negative, FN) olmak üzere 4 adettir. Ayrıca Tablo 5.3.’de doğruluk ve duyarlılık için karşılaştırma matrisi verilmiştir.

Tablo 5.3. Doğruluk, özgüllük ve duyarlılık için karşılaştırma matrisi Tahmin Edilen

P N

P N

TP FN

FP TN

Gerçek Durum

TP TN 100 Doğruluk

TP TN FN FP

  

   (5.1) TP 100

Duyarlılık

TP FN

 

 (5.2) TN 100

Özgüllük

FP TN

 

 (5.3)

F-ölçümü, oluşturulan modelin etkinliğini belirlemek amacıyla kullanılır. Elde edilen değer, duyarlılık ve özgüllük değerlerinin ağırlıklı ortalamasıdır. F-ölçümü Denklem 5.4’deki gibi hesaplanabilir. 0 ile 1 arasında değişen değerler alır. 1 tasarlanan modelin mükemmel olduğunu, 0 ise kötü olduğunu belirtir.

2 Özgüllük Duyarlılık F Özgüllük Duyarlılık

  

 (5.4)

BÖLÜM 6. SONUÇLAR

Bu bölümde tezde kullanılan metotlardan elde edilen sonuçlar sunulmuştur. Tez çalışmasında KOAH teşhisi için kullanılabilecek, mevcut bir sisteme alternatif yeni bir yaklaşım geliştirilmiştir.

KOAH teşhisi için yapılan işlemler Şekil 1.1.’deki akış diyagramına göre yapılmış ve sonuçlar elde edilmiştir. Ham olarak elde edilen veriler, sayısal filtrelerden geçirilmiştir. Akabinde PPG sinyalinden elde edilen özellikler kaydedilmiş olup sınıflandırma yöntemleri kullanılarak KOAH teşhisinde yardımcı olmuştur. Sırası ile kNN, PNN ve SVMs algoritmik yöntemlerden elde edilen sonuçlar aşağıdaki gibi gösterilmiştir.

Bu tez kapsamında KOAH teşhisi için kullanılan makine öğrenme metotlarından biri kNN ‘dir. kNN yöntemi ile sınıflandırma sonuçları Tablo 6.1.’deki gibi verilmiştir.

Tabloda gösterildiği gibi çeşitli uzaklık hesaplama metotları kullanılmıştır. 10 adet k sayısı ve 10 adet uzaklık hesaplama yöntemi kullanıldığından toplam 100 adet varyasyon bulunmaktadır. k en yakın komşu sayısı artıkça verim dolayısıyla performans ölçme parametre değerleri düşmektedir. k = 3 ve 5 olduğunda uzaklık mesafesi olarak cityblock kullanıldığında doğruluk oranı 93,20 ve 90,96 olarak elde edilmiştir. Ya da k = 4 ve 9 olduğunda uzaklık mesafesi olarak da correlation kullanıldığında doğruluk oranı 89,64 ve 85,99 olarak bulunur.

Tablo sonucuna bakıldığında k = 3 ve 7 olduğunda uzaklık mesafesi olarak da cityblock kullanıldığında duyarlılığın 0,91 ve 0,90 olduğunu görmüş oluruz. Ya da k

= 4 ve 10 olarak alınırsa uzaklık mesafesi de minkowski kullanılırsa duyarlılık oranı 0,95 ve 0,91 gibi yüksek değerlere sahip olduğu görülür. Bu uzaklık

26

parametrelerinde olduğu gibi diğer bütün uzaklık hesaplama metotlarında da aynı değerlendirmeler söz konusudur.

F-ölçümü ve özgüllük performans değerlendirme parametreleri için elde edilen sonuçlar Tablo 6.1.’de gösterilmiştir. Her iki parametreden de yüksek oranda verim elde edilmiş olup, k en yakın komşu sayısının artmasıyla verimin düştüğü gözlenmiştir.

Bu tez çalışmasına göre PPG sinyalinin KOAH teşhisinde kullanılabilecek bir sinyal olduğu görüşüne varılmıştır. Elde edilen verimin oldukça yüksek olması kNN sınıflandırma yönteminin KOAH teşhisinde kullanılabileceğini göstermektedir. Tüm bu sonuçlar ışığında, elde edilmesi kolay bir işaret olan PPG işaretinin makine öğrenmesi algoritmaları ile değerlendirilmesiyle, hastalığın daha erken teşhisinin mümkün olduğu ispatlamıştır.